MM-UKAN++:一种基于科尔莫戈罗夫-阿诺德网络的U形网络,用于超声波图像分割

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 超声波 (美国) 图像对医学诊断至关重要,但由于对比度低,边界模糊和尺度变化,对感兴趣区域 (ROI) 的自动细分具有挑战性.
• 目前的深度学习方法,如卷积神经网络 (CNN) 和变压器,在美国图像细分方面面临效率和可解释性的局限性.

研究的目的:

• 引入MM-UKAN++,一种基于科尔摩戈罗夫-阿诺德网络 (KANs) 的新型U形网络,用于在超声波图像中准确高效的ROI自动细分.
• 为了应对低对比度,模糊边界和美国图像的尺度变化的挑战,并提高模型效率和可解释性.

主要方法:

• 开发了MM-UKAN++,一个U形网络,利用多层KAN层进行编码和解码.
• 整合了一个多维的注意力机制,通过权衡频道和空间视角的特征来完善跳过连接.
• 通过融合不同尺度解码器的输出来实现精确的细分预测,集成多尺度信息.

主要成果:

• 与开源数据集的主流方法相比,MM-UKAN++实现了优越的细分精度,计算成本较低.
• 在BUSI数据集上表现出高性能,69.42%的IoU,81.30%的Dice和3.31mm的HD,使用3.17G的FLOP和9.90M的参数.
• 在美国的自动动脉扫描和诊断系统中展示了速度和准确性,这表明在医学图像细分中具有广泛的适用性.

结论:

• MM-UKAN++为超声波图像分割提供了一个有前途的新方法,在精度和效率方面超过现有方法.
• 该网络的架构,利用KAN和多维关注,为临床和机器人辅助诊断提供了更易解释和计算效率更高的解决方案.
• MM-UKAN++显示出各种医疗图像细分任务的巨大潜力,提高了诊断能力.